python爬虫学习第二十四天
来源:互联网 发布:php有必要培训吗 编辑:程序博客网 时间:2024/06/05 15:16
今天的内容:MySQL里的“六度空间游戏”
这个内容今天可能做不完(今天有点累)
“维基百科六度分隔”问题,其目标是通过一些词条链接寻找两个 词条间的联系(即找出一条链接路径,只要点击链接就可以从一个维基词条到另一个维基 词条) 。 为了解决这个问题,我们不仅需要建立网络爬虫采集网页(之前我们已经做过) ,还要把之前采集的信息以某种形式存储起来,以便后续进行数据分析。
前面介绍过的自增的 id 字段、时间戳以及多份数据表在这里都要用到。为了确定最合理 的信息存储方式,你需要先想想游戏规则。一个链接可以轻易地把页面 A 连接到页面 B。 同样也可以轻易地把页面 B 连接到页面 A,不过这可能是另一条链接。我们可以这样识 别一个链接,即“页面 A 存在一个链接,可以连接到页面 B” 。也就是 INSERT INTO links (fromPageId, toPageId) VALUES (A, B);(其中, “A”和“B”分别表示页面的 ID 号
因此需要设计一个带有两张数据表的数据库来分别存储页面和链接,两张表都带有创建时 间和独立的 ID 号
创建页表
CREATE TABLE wikipediaPages(
id INT NOT NULL AUTO_INCREMENT,
url VARCHAR(255) NOT NULL,
created TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY(id)
)创建链接表
CREATE TABLE wikipediaLinks(
id INT NOT NULL,
fromPageId INT NULL,
toPageId INT NULL,
created TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY(id)
)
练习 获取并存取贝肯数不超过 6 的词条
insertIfNotExist()函数用来向pages表中存放数据,存放前检查数据是否存在,存储完成后还返回了存储记录的id,设计很巧妙
insertLinks()啊还能输用来向links表中存放数据,一样存放前要检查
getLinks()函数作用是获取当前页面链接并建立路径信息
from urllib.request import urlopenfrom bs4 import BeautifulSoupimport reimport pymysqlconn = pymysql.connect(user='root',password='Gaoji1996',charset='utf8')cur = conn.cursor()cur.execute("USE scraping")pages = set()def insertIfNotExist(url): cur.execute("SELECT* FROM wikipediaPages WHERE url = %s",(url)) if cur.rowcount ==0: cur.execute("INSERT INTO wikipediaPages(url) VALUES(%s)",(url)) conn.commit() return cur.lastrowid else: return cur.fetchone()[0] passdef insertLinks(fromPageId,toPageId): cur.execute("SELECT* FROM wikipediaLinks WHERE fromPageId=%s AND toPageId=%s",(fromPageId,toPageId)) if cur.rowcount ==0: cur.execute("INSERT INTO wikipediaLinks(fromPageId,toPageId) VALUES(%s,%s)",(int(fromPageId),int(toPageId))) conn.commit() passdef getLinks(pageUrl,times): global pages if times>4: return html = urlopen("http://en.wikipedia.org"+pageUrl) bsObj = BeautifulSoup(html) currentPageId = insertIfNotExist(pageUrl) for link in bsObj.findAll("a",href=re.compile("^(/wiki/)((?!:).)*$")): print(link.attrs["href"]) insertLinks(currentPageId,insertIfNotExist(link.attrs["href"])) if link.attrs["href"] not in pages: newLink = link.attrs["href"] pages.add(newLink) getLinks(newLink,times+1) passgetLinks("/wiki/Kevin_Bacon",0)cur.close()conn.close()
今天到这里啦,打卡~
- python爬虫学习第二十四天
- python爬虫学习第十四天
- python爬虫学习第三十四天
- python第二十四天学习记录
- 学习python的第二十四天-Web
- 第二十四天学习笔记
- Java学习第二十四天
- python爬虫学习第二天
- python学习---第十四天
- python爬虫学习第二十一天
- python爬虫学习第二十三天
- python爬虫学习第二十六天
- 学习python的第十四天
- 黑马程序员--- 学习笔记(第二十四天)
- java学习第二十四天之TCP、UDP
- 学习python的第三十四天-文件
- 学习python的第四十四天-正则表达式
- No_16_0325 Java基础学习第二十四天—多线程学习总结
- dubbo--invoker部分类图
- 基础动态规划-(1)(1)Sumsets POJ
- orcale的大致了解
- C语言内存知识补充
- 贪心算法——C++实现经典案例——中级
- python爬虫学习第二十四天
- JavaScript学习之用数组实现图片轮播
- list集合迭代过程中增删出现异常,及解决方法
- String to Integer (atoi) LeetCode 解题报告
- VBA学习1_教你快速入门Excel-宏与VBA(上)
- 数据结构-线性表
- mac 中的 protobuf 安装编译 Java
- 秒杀系统
- 归并求逆序对